109
Participatory Air Quality Sensing
Menggunakan
Wireless Multisensor
dan
K-Means Clustering
Dwi Nurul Rahmawati
* a), Indrazno Siradjuddin
a), Beauty Anggraheny Ikawanty
a)Abstrak: Polusi udara saat ini memang tengah menjadi wacana yang ramai dibicarakan. Menurut data UNICEF, sekitar 300 juta anak dan 220 juta diantaranya tinggal di Asia Selatan, tinggal di lingkungan yang kadar polusinya udaranya 6 kali melebihi standard internasional. Konsep Participatory air quality sensing adalah konsep yang mengikutsertakan masyarakat dalam mendeteksi kualitas udara sehingga dapat menambah data kualitas udara dan dapat meningkatkan kepedulian masyarakat terhadap bahaya polusi udara. Untuk mengimplementasikan konsep tersebut dibuat sistem yang dapat mendeteksi parameter kualitas seperti karbon monoksida, karbon dioksida, ozon dan debu serta dapat mengetahui lokasi dan waktu pengambilan data dan mengirim data – data tersebut ke database, diolah dan ditampilkan di web agar mudah untuk diakses. Untuk mengolah data digunakan metode algoritma pengelompokan K – Means. Hasilnya sistem bekerja dengan baik. Setiap 30 detik mampu memberikan data kualitas udara dan dapat ditampilkan di web secara lokal. Dan algoritma K – Means berhasil diaplikasikan pada kumpulan data parameter lingkungan dengan memberikan hasil data yang terbagi menjadi empat kelompok beserta label kondisi kualitas udara saat itu..
Kata-kata kunci : Algoritma K – Means, Kualitas Udara, Participatory Sensing, Database, Web.
1. Pendahuluan
Berdasarkan data yang dikutip dari WHO, pencemaran lingkungan merupakan hal yang mengakibatkan kematian disebagaian besar negara di seluruh dunia. Namun banyak dari masyarakat yang kurang peduli dengan pencemaran yang terjadi di sekitar mereka. Bahkan juga banyak dari mereka tidak sadar jika keadaan lingkungan disekitar mereka telah tercemar.
Untuk mengetahui kualitas udara disuatu tempat saat ini sudah terdapat stasiun yang memantau udara di sekitar lokasi tersebut. Dari stasiun tersebut dapat tahu bagaimana kualitas udara ditempat tersebut. Namun stasiun – stasiun pemantau udara ini hanya ada di beberpa tempat saja sehingga udara yang terpantau terbatas hanya disekitar lokasi tersebut. Untuk lokasi yang jauh dari stasiun pemantau atau bahkan tidak ada stasiun pemantaunya, tidak dapat mengetahui kualitas udara tempat tersebut.
Dari latar belakang dan permasalahan diatas penulis mengemukakan sebuah gagasan konsep participatory air quality sensing. Untuk menerapkan konsep Participatory air quality sensing penulis membuat suatu prototype sistem yang dapat mendeteksi kualitas udara secara real time dan hasilnya dapat dengan mudah diakses. Untuk mendapatkan data mengenai kualitas udara dibuat sebuah alat yang terintegrasi dengan sensor – sensor yang mampu mendeteksi parameter – parameter kualitas udara. Di alat itu juga terdapat GPS untuk mengatahui lokasi yang terdeteksi dan modul WiFi yang berfungsi untuk mengirimkan data sensor ke webserver. Kemudian data diklasifikasikan dan dikelompokkan dengan menggunakan
metode K-Means Clustering Alogoritm. Data yang telah diolah selanjutnya ditampilkan di web yang dapat diakses dengan mudah kapanpun dan dimanapun. Dimensi alat ini dibuat relatif kecil dan dilengkapi dengan baterai yang dapat di charge kembali agar mudah untuk dibawa ke tempat – tempat yang berbeda. Sehingga dapat memperbanyak data parameter kualitas udara yang terkumpul.
2. Tinjauan Pustaka
2.1 Participatory air quality sensing
Participatory air quality sensing adalah sebuah konsep yang melibatkan individu dan/atau masyarakat luas untuk berpatisipasi dalam memberikan data parameter – parameter kualitas udara seperti contoh karbon monoksida, karbon dioksida, ozon dan debu. Untuk dapat mendeteksi parameter – parameter kualitas udara ini dibutuhkan suatu sistem yang dilengkapi dengan sensor – sensor yang mampu mendeteksi parameter kualitas udara tersebut, sensor untuk menunjukkan lokasi beserta sistem komunikasi data, penyimpanan, pengolahan dan penyajian data. Sistem ini dibutuhkan untuk mengolah data – data parameter kualitas udara yang telah didapatkan sehingga dapat digunakan untuk mengetahui kondisi kualitas udara dan penyajian data kondisi kualitas udara ditampilkan di halaman web agar lebih mudah untuk dikases.
2.2 Algoritma K – Means Clustering
K- meansclustering adalah jenis pengelompokan
unsupervised learning, yang digunakan bila ada data yang tidak berlabel (yaitu, data tanpa kategori atau kelompok tertentu). Tujuan dari algoritma ini adalah untuk menemukan kelompok dalam data, dengan jumlah kelompok yang ditunjukkan oleh variabel K. Algoritma ＊ Korespondensi: dwinurul.rahma@gmail.com
a) Teknik Elektro, Politeknik Negeri Malang
bekerja secara iteratif untuk menetapkan setiap titik data ke salah satu kelompok K berdasarkan fitur yang disediakan. Poin data dikelompokkan berdasarkan kemiripan fitur.
Algoritma pengelompokan Κ – Means menggunakan penyempurnaan berulang untuk menghasilkan hasil akhir. Input algoritma adalah jumlah clusterΚ dan kumpulan data.
Kumpulan data adalah kumpulan fitur untuk setiap titik
data. Algoritma dimulai dengan perkiraan awal untuk Κ centroids, yang dapat dihasilkan secara acak atau dipilih secara acak dari kumpulan data. Algoritma kemudian iterasi antara dua langkah yaitu pelabelan suatu data sesuai dengan kelompok yang telah dibuat dan pembaruan centroid dari data. Pembaruan centroid ini bertujuan untuk mendapatkan
centroid dan data hasil pengelompokan tidak lagi berubah. Keberhasilan dari algoritma K – Means ini dapat diketahui ketika algoritma ini mampu mengelompokkan data sesuai dengan jumlah kelompok yang ditentukan sebelumnya dan dapat menentukan dalam kelompok mana jika terdapat data baru yang muncul atau menetukan label untuk data baru yang masuk. Untuk pelebelan atau pemberian nama dari setiap kelompok dilakukan setelah data – data tersebut berhasil dikelompokkan. Dari hasil pengelompokan tersebut dapat dianalisis nilai data dari setiap kelompoknya, dari hasil analisis tersebut nama atau lebel setiap kelompok itu ditentukan.
3. Perancangan Dan Pembuatan
3.1. Diagram Sistem dan Prinsip Kerja
Gambar 1. Diagram Sistem
Gambar 2. Diagram Alir Prinsip Kerja
3.2. Perencanaan Algoritma K – Means
Gambar 4. Flowchart Algoritma K-Means Clustering
3.3. Perencanaa dan Pembuatan Halaman Web
Gambar 5. Tampilan Halaman Web 3.4. Perancangan dan Pembuatan Mekanik
Gambar 6. Alat Participatory air quality sensing
3.5. Aplikasi Sensor MQ-7
Gambar 7. Sensor MQ-7
Keluaran dari modul senor MQ-7 ini berupa analog output. Rumus konversi ADC adalah sebagai berikut :
𝑃𝑃𝑀 = ((𝑛𝑖𝑙𝑎𝑖 𝐴𝐷𝐶1023 ×5)
5 × 1980) + 20 (1)
Nilai ADC dibagi dengan 1023 karena menggunakan ADC
10 bit. Kemudian 1980 adalah Range pembacaan sensor MQ-7 20 – 2000 ppm.
Gambar 8. Sensor MQ-7
Keluaran dari modul sensor ini adalah analog output.
Pembacaan dengan satuan ppm dengan persamaan berikut ini.
𝑃𝑃𝑀 = ((𝑛𝑖𝑙𝑎𝑖 𝐴𝐷𝐶1023 ×5)
5 × 990) + 10 (2)
Nilai ADC dibagi dengan 1023 karena menggunakan ADC
10 bit. Kemudian 990 adalah Range pembacaan sensor MQ-135 10 – 1000 ppm.
3.7. Aplikasi Sensor MQ-131
Gambar 9. Skema Sensor MQ-131
Hasil output dari rangkaian pembagi tegangan yang berupa tegangan. Rumus konversi ppm:
𝑃𝑃𝑀 = ((𝑛𝑖𝑙𝑎𝑖 𝐴𝐷𝐶1023 ×5)
5 × 95) + 5 (3)
Nilai ADC dibagi dengan 1023 karena menggunakan
ADC 10 bit. Kemudian 95 adalah Range pembacaan sensor MQ-135 5 – 100 ppm
3.8. Aplikasi Sensor SHARP – GP2Y1010AU0F
Sensor ini mampu mendetaksi debu yang ada disekitar. Memiliki tegangan kerja 5V dengan output digital.
Gambar 10. Sensor SHARP – GP2Y1010AU0F 3.9. AplikasiGPS GY-GPS6MV2
Modul ini adalah standalone GPS yang dapat memberikan data lokasi dimana modul ini berada. Tegangan kerja 5V dan output berupa data.
Gambar 11. Modul GPS GY-GPS6MV2 3.10. Aplikasi WiFi Wemos D1 Mini
Modul WiFi yang menggunakan chip ESP8266. Bekerja pada tegangan 3,3V untuk chip dan 5V untuk
modul, memiliki output berupa data.
Gambar 12. Modul WiFi Wemos D1 mini
3.11. Perencanaan Algoritma K – Means
Gambar 13. Diagram Alir Algoritma K-Means di Bahasa Pemrograman php
4. Pengujian Dan Analisa
4.1. Pengujian Tampilan Web
Gambar 14. Cuplikan Data pada Tanggal 05-07-2017 di
Database
Gambar 15. Cuplikan Data pada Tanggal 05-07-2017 di Halaman Web
Dari contoh cuplikan data Gambar15 menunjukkan bahwa tampilan halaman web bekerja dengan baik karena mampu menampilkan data yang ada di database.
4.2. Pengujian Konektifitas WiFi Modul
Konektifitas WiFi modul dapat dikatakan sesuai dengan rencana karena rata – rata waktu pengiriman data setiap 30 detik sekali.
Gambar 16. Cuplikan Data pada Tanggal 05-07-2017
4.3. Pengujian GPS Modul
Pada tanggal 5 juli 2017 dilakukan pengambilan data di Jl. Sudimoro Gg 5.
(a)
(b)
Gambar 17. (a) Cuplikan Data pada Lokasi Tanggal 05-07-2017, (b) Lokasi yang Ditunjukkan oleh Google
Maps
Dari Gambar 17. (a) dan (b) terlihat bahwa lokasi yang ditunjukkan oleh gps yang berupa koordinat longitude
dan latitude sesuai dengan lokasi pada saat pengambilan data yang dibuktikan menggunakan google maps.
4.4. Pengujian Sensor MQ-7
Gambar 18. Perubahan Nilai Karbon Monoksida Saat Sensor di Udara Normal
Dari Gambar 18 data menunjukkan pada saat sensor MQ-7 dibiarkan di udara normal nilai yang diberikan sensor ini kecil namun ketika didekatkan dengan asap kendaraan bemotor nilai naik menjadi besar. Dari berubahan ini dapat diketahui bahwa sensor MQ-7 bekerja sesuai dengan yang direncanakan.
4.5. Pengujian Sensor MQ-135
Gambar 19. Data Perubahan Nilai Karbon Dioksida (CO2) Saat di Udara Normal
Dari data di Gambar 19 terlihat perubahan nilai karbon dioksida (CO2) saat di udara normal dan
didekatkan dengan asap pembakaran. Saat didekatkan dengan asap pembakaran menunjukkan kenaikan nilai dan jika di taruh di udara normal nilai kembali turun. Berdasarkan perubahan data ini dapat diketahui bahwa sensor bekerja sesuai dengan perancangan.
4.6. Pengujian Sensor MQ-131
Gambar 20. Data Perubahan Nilai Gas Ozon (O3) Saat di
Udara Normal dan Dekat dengan Asap Pembakaran
Dari data di Gambar 20. terlihat perubahan nilai gas ozon (O3) saat di udara normal dan didekatkan dengan asap
normal nilai kembali turun. Berdasarkan perubahan data ini dapat diketahui bahwa sensor MQ-131 bekerja sesuai dengan perancangan.
4.7. Pengujian Sensor Sharp GP2Y1010AU0F
Gambar 21. Perubahan Nilai Densitas Debu Saat di Dalam Ruangan dan di Luar Ruangan
Gambar 21. menunjukkan adanya perubahan nilai densitas debu saat di dalam ruangan dan di luar ruangan. Saat di luar ruangan dengan debu yang lebih banyak nilai densitas debu yang di hasilkan oleh sensor semakin besar, begitu pula sebaliknya saat sensor berada di dalam ruangan nilai densitas debu menurun. Dari hal tersebut dapat disimpulakan bahwa sensor debu Sharp GP2Y1010AU0F bekerja dengan baik sesuai dengan yang direncanakan.
4.8. Analisa Proses Algoritma K-Means Clustering
Secara matematis langkah – langkah kerja algoritma pengelompokan K – Means dapat dituliskan sebagai berikut ini:
a. Pengambilan seluruh data yang akan dikelompokkan dari database server. dikehendaki. Setiap cluster yang ditentukan, memiliki titik pusat (centroid) pada tiap variabel
c. Menghitung jarak antara titik pusat setiap kelompok (CentroidCluster) dengan seluruh data yang dikelompokkan. Setiap proses perhitungan jarak antara centroidclusterdengan data menggunakan nilai
centroidcluster yang terbaru.
Distance
( ) ‖∑ ( - )‖ (6)
d. Proses selanjutnya adalah labeling setelah didapat jarak antara titik pusat kelompok (CentroidCluster) dengan data, selanjutnya data akan diberi label masuk dalam kelompok (cluster) yang mana data tersebut.
Labeling
( ) (7)
e. Langkah selanjutnya adalah memperbarui titik pusat kelompok (CentroidCluster). Proses update centroidcluster dilakukan untuk mendapatkan
centroidcluster yang baru. Cara update centroidcluster ini adalah dengan menghitung rata – rata dari data yang ada dalam cluster tersebut. Jika masih ada centroidclusterdan/atau data yang berubah harus dilakukan iterasi proses kembali hingga didapat kondisi konvergen.
Update CentroidCluster:
∑ * +
∑ * + (8)
Dimana :
w varia el ementara untuk menyatakan k
4.9. Hasil Algoritma K-Means Clustering yang di Terapkan pada Data Parameter Kualitas Udara
Grafik 2.Range Data Dalam Kategori Cukup
Grafik 3. Range Data Dalam Kategori Buruk
Grafik 4. Range Data Dalam Kategori Sangat Buruk
Grafik 1 hingga Grafik 4 adalah tampilan Grafik yang menunjukkan Rangedata dari setiap kategori yang berhasil di kelompokkan dengan menggunakan metode
K-Means Clusteringmenjadi empat kategori. Pelabelan ke-empat kategori ini didapat dari analisa dari Rangedata yang berhasil dikelompokkan oleh K-Means Clustering.
Proses pelabelan dan penamaan kategori ini dilakukan oleh penulis sendiri dikarenakan data yang terkumpul belum mencukupi untuk dapat diaanalisa oleh ahli.
5. Kesimpulan
1. Pada penelitian ini dari sistem yang menggunakan konsep participatory air quality sensing. Berhasil mengumpulkan data yang jumlahnya mencapai 750 data, dengan durasi pengambilan data 13 hari, dari hal ini sistem dapat meningkatkan jumlah ketersediaan data kualitas udara. Apabila durasi pengambilan data diperpanjang akan lebih baik lagi kerana semakin banyak data yang terkumpul.
2. Sistem pendeteksi kualitas udara ini mampu memberikan data lokasi dimana pengambilan data itu dilakukan. Dan berhasil mengolah data dengan mengelompokkan menjadi empat kategori.
3. Dengan menggunaan database server untuk menyimpan data, data lebih mudah untuk bisa ditampilkan di web sehingga orang lebih mudah untuk melihat data kualitas udara tersebut.
4. Pengaplikasian metode pengelompokkan algoritma
K-Means untuk mengolah data kualitas lingkungan mendapatkan hasil yang baik yang ditampilkan pada Grafik 1 hingga Grafik 4.
Daftar Pustaka
[1.] Amelia, A. 2014. Polusi Udara: Pengertian dan Dampak Polusi
Udara.http://sehatsatu.com/pengertian-dan-dampak-polusi-udara/. Diakses pada 27 Desember 2016.
[2.] Arboleda, C. R. 1981. Communications Research. Manila: CFA.
